Herbicide Residues in Biota, Analysis of
Notice bibliographique
Résumé
Abstract Current extraction, derivatization and clean‐up techniques, and instrumental methods are reviewed for the analysis of herbicide residues in biota. Sampling procedures are shown to be an integral part of the methodology. Herbicide analysis is seldom based on analyte‐specific methods but is usually integrated into multiresidue methods (MRMs). Current methods generally utilize relatively small sample sizes and miniaturized apparatus to take advantage of advances in instrumental performance and detection of analytes. These methods reduce the amount of solvent used for sample preparation and help to minimize waste generation. As well as using less solvent, the resulting miniaturized methods tend to be generally cheaper, faster, and less labor‐intensive than conventional methods and, furthermore, they reduce analyst exposure to hazardous materials. Mass spectrometry (MS), interfaced with high‐resolution gas chromatography (GC), high‐performance liquid chromatography (HPLC) and capillary electrophoresis (CE), has become the detection method of choice for herbicide analysis. MS is well suited to the confirmation of target analytes and the tentative identification of unknown analytes. HPLC–mass spectrometers are becoming more widely available and less expensive. CE is a relatively new separation technique providing many advantages over traditional gas and liquid chromatography, including shorter analysis times and smaller injection volumes. There have been advances in the development of immunoassays primarily for the rapid screening for herbicide residues. These methods, once optimized, can facilitate high sample throughput at relatively low cost compared to conventional approaches. To date however, development has been limited to aqueous systems and little immunoassay work has been done for the direct determination of herbicides in biota.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».